Título:	Desempenho do Algoritmo de Classificação de Imagens Random Forest para Mapeamento do Uso e Cobertura do Solo no Cerrado Brasileiro.
Autoria:	CHO, D. F. SCHWAIDA, S. F. CICERELLI, R. E. ALMEIDA, T. RAMOS, A. P. M. SANO, E. E.
Afiliação:	DAVID FERNANDO CHO; SAMUEL FERNANDO SCHWAIDA; REJANE ENNES CICERELLI; TATI ALMEIDA; ANA PAULA MARQUES RAMOS; EDSON EYJI SANO, CPAC.
Ano de publicação:	2021
Referência:	Anuário do Instituto de Geociências, v. 44, 37979, 2021.
Páginas:	11 p.
Conteúdo:	O Cerrado é um ecossistema altamente diversificado e fornece habitat para muitas espécies, porém, vem sofrendo degradação acentuada nas últimas décadas devido à expansão da produção de commodities agrícolas. Esse cenário reforça a necessidade de contínuo monitoramento das mudanças de uso e cobertura do solo, seja com foco na produção agrícola ambientalmente sustentável ou no entendimento do mercado. Recentemente, os algoritmos de aprendizagem de máquina têm-se concretizado como uma abordagem promissora e inovadora para processamento de dados de sensoriamento remoto. Assim, esse trabalho teve por objetivo avaliar o potencial do algoritmo de classificação de imagens Random Forest para o mapeamento e classificação do uso e cobertura do solo no Cerrado Brasileiro. A área de estudo selecionada foram os municípios de Natividade, Chapada da Natividade e São Valério da Natividade, localizados no estado do Tocantins. Os materiais básicos deste estudo foram o modelo digital de elevação produzido pela missão Shuttle Radar Topography Mission (SRTM), as imagens de luzes noturnas obtidas pelo sensor Visible Infrared Imaging Radiometer Suite (VIIRS) dos satélites Suomi National Polar-Orbiting Partnership (Suomi NPP) e NOAA-20 e as imagens multiespectrais do satélite Landsat 8 Operational Land Imager (OLI), adquiridas entre os meses de maio a outubro de 2013. Todas as análises foram realizadas na plataforma Google Earth Engine que permite processamento de dados em nuvem. Foi gerado um cubo de imagens contendo 38 camadas que foram classificadas pelo algoritmo Random Forest, com 500 árvores de decisão. Para o treinamento do classificador, foram utilizados pontos aleatórios de cada classe de mapeamento do projeto TerraClass Cerrado 2013. Considerando o mapeamento do TerraClass Cerrado 2013 como verdade terrestre, obteve-se um índice Kappa de 0,64. Houve superestimação expressiva da agricultura anual e da área urbana. A metodologia proposta apresentou um bom potencial como uma alternativa de menor custo e tempo para o mapeamento do uso e cobertura do solo do Cerrado..
Palavras-chave:	Geotecnologia Processamento em nuvem Machine learning
Tipo do material:	Artigo de periódico
Acesso:	openAccess
Aparece nas coleções:	Artigo em periódico indexado (CPAC)